医学知识库在现代生物医学领域的作用越来越重要,在大数据时代可以从知识库中发掘出更多隐含知识,服务于智慧医疗等领域。特别是神经退行性疾病,传统模式的新药研发、治疗模式已陷入瓶颈期,从海量生物医学文献中识别相关实体,并利用深度学习、关系抽取、自然语言处理等技术构建各实体和关系的神经退行性疾病知识库,能够辅助药物研究员进行新药研发,疾病机理研究和防治策略等,对生物医学领域的研究具有现实的实用意义,其中高效的从自然文本中对生物医学实体进行识别是后续关系抽取及知识图谱构建任务的基础工作。本文主要包含以下两个方面的研究:（1）本文创新的提出基于胶囊网络的实体识别算法应用于生物医学实体识别领域。该方法把目标词和周围词的向量表达作为输入,并输出目标词前词和后词的标签,获取标签依赖关系从而确定标签序列。该方法简化了传统基于循环神经网络的实体识别算法的结构,不需要大量的人力去添加复杂的特征,模型可以自动学习有用的特征,即使差别较大的语料输入,依然能够达到很好的性能,模型可迁移能力较强。最后通过对比实验证,验证了该模型在NCBI、CDR和CHEMDNER语料的命名实体识别任务中性能表现良好。（2）本文将上述算法应用于神经退行性疾病知识库构建中,从神经退行性疾病相关生物医学文献中识别与其相关的症状、药物、化合物、天然产物、基因、肽等实体并以知识图谱的形式可视化展示。此外还包含电子病历录入、文章快速实体识别、手动维护实体对等功能,支持多种方式对神经退行性疾病的知识库进行丰富。